1. Machine Learning and Mechanistic Modeling for the prediction of Overall Survival on the basis of 1st line Tumor Dynamics in Head and Neck Squamous Cell Carcinoma
- Author
-
Atsou, Kevin, Auperin, Anne, Guigay, Joêl, Salas, Sébastien, Benzekry, Sébastien, Méthodes computationnelles pour la prise en charge thérapeutique en oncologie : Optimisation des stratégies par modélisation mécaniste et statistique (COMPO), Inria Sophia Antipolis - Méditerranée (CRISAM), Institut National de Recherche en Informatique et en Automatique (Inria)-Institut National de Recherche en Informatique et en Automatique (Inria)-Centre de Recherche en Cancérologie de Marseille (CRCM), Centre National de la Recherche Scientifique (CNRS)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Institut Paoli-Calmettes, Fédération nationale des Centres de lutte contre le Cancer (FNCLCC)-Fédération nationale des Centres de lutte contre le Cancer (FNCLCC)-Aix Marseille Université (AMU)-Centre National de la Recherche Scientifique (CNRS)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Institut Paoli-Calmettes, Fédération nationale des Centres de lutte contre le Cancer (FNCLCC)-Fédération nationale des Centres de lutte contre le Cancer (FNCLCC)-Aix Marseille Université (AMU), Institut Gustave Roussy (IGR), Service de biostatistique et d'épidémiologie (SBE), Direction de la recherche clinique [Gustave Roussy], Institut Gustave Roussy (IGR)-Institut Gustave Roussy (IGR), Centre de Lutte contre le Cancer Antoine Lacassagne [Nice] (UNICANCER/CAL), UNICANCER-Université Côte d'Azur (UCA), Hôpital de la Timone [CHU - APHM] (TIMONE), Aix Marseille Université (AMU)-Institut Paoli-Calmettes, Fédération nationale des Centres de lutte contre le Cancer (FNCLCC)-Fédération nationale des Centres de lutte contre le Cancer (FNCLCC)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS)-Aix Marseille Université (AMU)-Institut Paoli-Calmettes, Fédération nationale des Centres de lutte contre le Cancer (FNCLCC)-Fédération nationale des Centres de lutte contre le Cancer (FNCLCC)-Institut National de la Santé et de la Recherche Médicale (INSERM)-Centre National de la Recherche Scientifique (CNRS), and ATSOU, Kokou
- Subjects
[INFO.INFO-AI] Computer Science [cs]/Artificial Intelligence [cs.AI] ,[SDV.CAN] Life Sciences [q-bio]/Cancer ,[STAT.ML]Statistics [stat]/Machine Learning [stat.ML] ,[SDV.CAN]Life Sciences [q-bio]/Cancer ,[INFO.INFO-BI]Computer Science [cs]/Bioinformatics [q-bio.QM] ,[STAT.ML] Statistics [stat]/Machine Learning [stat.ML] ,[INFO.INFO-BI] Computer Science [cs]/Bioinformatics [q-bio.QM] ,[INFO.INFO-AI]Computer Science [cs]/Artificial Intelligence [cs.AI] - Abstract
The prediction of Overall Survival and Response to 2nd line treatment is a major challenge in treatment of Head and Neck Squamous Cell Carcinoma (HNSCC). Here we used tumor kinetics measured by the Sum of the Largest Diameters (SLD) of the lesions in the patients during the first line to provide interesting predictive metrics for Overall Survival. Using a mechanistic mathematical model, we were able to fit the clinical data of SLD measurements in a HNSCC clinical trial. The data we used consist of 528 patients with 22 baseline clinical feaures. After benchmarking different machine learning algorithms, the Random Survival Forest Algorithm combined with the mechanistic model was able to predict the Overall Survival with a C-index of 0.7 in cross-validation on the train set and 0.67 on the test set. Likewise, the most impacting parameters for the prediction of OS are the parameters resulting from the mathematical model describing the kinetics of tumors (the tumor growth rate and Time to Growth after shrinkage)., La prédiction de la survie globale et de la réponse au traitement de 2e ligne est un défi majeur dans le traitement du carcinome épidermoïde de la tête et du cou (HNSCC pour Head and Neck Squamous Cell Carcinoma). Ici, nous avons utilisé la cinétique tumorale mesurée par la somme des plus grands diamètres (SLD) des lésions chez les patients au cours de la première ligne pour fournir des métriques prédictives intéressantes pour la survie globale. À l'aide d'un modèle mathématique mécaniste, nous avons pu ajuster les données cliniques des mesures SLD dans un essai clinique HNSCC. Les données que nous avons utilisées se composent de 528 patients avec 22 variables cliniques de base. Après avoir comparé différents algorithmes d'apprentissage automatique, l'algorithme de Forêts Aléatoires de Survie (RSF pour Random Survival Forest) combiné au modèle mécaniste a pu prédire la survie globale avec un indice C de 0.7 en validation croisée sur l'ensemble d'entrainement et de 0.67 sur l'ensemble de test. De même, les paramètres les plus impactants pour la prédiction de la Survie Globale sont les paramètres résultant du modèle mathématique décrivant la cinétique des tumeurs (le taux de croissance tumorale et le temps de croissance après rétrécissement).
- Published
- 2021